凯捷《明智押注还是唯一选择？生物制药研发转向AI》

生物制药研发长期受困于两个问题：药物开发成本高、临床失败率高，研发投资回报率持续下滑，如今已到一个持平但难以接受的水平。凯捷研究院这份报告要回答的是：在这样的背景下，AI 究竟是值得下注的一个选项，还是行业不得不走的路——或者两者兼有。报告给出的判断倾向乐观：AI 正在药物发现、试验设计、监管申报等环节带来可测量的效率提升，82% 的高管相信 AI 将从根本上改变生物制药研发。现在值得看的原因在于，报告不只是谈趋势，还拿出了采用率、时间节省比例这类具体数据，并进一步指出规模化落地的真正障碍在数据与组织层面，而非算法本身。

报告以生物制药研发价值链为范围，从研发 AI 的基础建设讲起，逐段分析价值链各环节正在发生的变化，最后落到规模化建议。覆盖的环节包括靶点识别与药物发现、临床试验（终点与给药方案预测、试验中心选择、不良事件与治疗反应预测）、监管申报与审批工作流，也涉及 AI agent 在研发中的早期试点。方法上，报告基于凯捷研究院的全球调研，受访对象为生物制药企业高管，数据以受访者自报的采用率与效率改善为主。这一点值得读者留意：文中的时间节省数字来自企业反馈，而非独立测算。

药物发现环节的数字最密集。靶点识别是发现阶段采用最广的 AI 用例，43% 的组织已经落地；在这些组织中，32% 报告了生产力提升，相较采用技术之前平均节省 28% 的时间。生成式 AI 的期待值同样高，74% 的高管认为它在药物发现上有显著潜力。更长远的一个判断是，63% 的受访者预计未来十年内，大多数新分子实体（NME）将源自 AI 驱动的平台。整体投入意愿上，79% 的组织正在积极制定把 AI 融入研发价值链的战略，近三成已在试点初步的 AI agent 用例。

临床与监管环节的收益略低，但覆盖面更广。临床试验中，超过 60% 的受访者确认生成式 AI 能实质改善试验效率与结果，应用方向包括预测终点与给药方案、选择试验中心、预测不良事件和治疗反应。监管申报方面，AI 通过自动汇集内外部数据、以预测建模提升质量、预先嵌入对监管机构可能提问的回应来加速流程，73% 的人认为生成式 AI 有潜力从根本上改变申报与审批工作流；在已用 AI 准备和提交监管文件的组织中，37% 报告生产力提升，平均节省 19% 的时间。把发现阶段的 28% 和申报阶段的 19% 放在一起看，这意味着收益随环节后移而递减，早期研发目前是 AI 回报更明显的地方。

报告的转折在于：意愿和试点数据都不错，但规模化能力跟不上。多数组织虽已建立基础数据能力，却在数据就绪度上准备不足，数据质量、外部数据采购与集成、数据共享是主要挑战；运营与文化的就绪度同样是显著障碍。换句话说，瓶颈已经从“要不要用 AI”转向“有没有能力把 AI 用好”。报告由此提出五条推进建议：确保高层支持与领导层认同；评估组织风险画像并设定清晰目标；在自建核心 AI 能力与战略合作之间取得平衡；建设懂数据、懂数字化的员工队伍；推动组织数据就绪度与行业数据标准的建立。这些建议的共同指向是，AI 在研发中的落地更像一项组织工程，而非单纯的工具采购。

这份资料适合关注生物制药研发效率、AI 在生命科学落地路径的从业者与研究者阅读，读完可以拿到一条按价值链分环节的采用率与效率改善图景，以及一份以数据就绪度和组织文化为核心的障碍清单。需要说明的边界是：材料中的效率数字均为企业自报，未披露样本规模与调研方法细节；报告的判断建立在“AI 将延续当前进展”这一前提上，对失败案例和成本侧数据着墨不多。此外，材料原文标注的年份为 2025，与发布时间的表述存在出入，引用时宜以原文为准。

Make it real. Smart bet, only option, or both? Biopharma R&D turns to AI. Table of contents Capgemini Research Institute 2025 Smart bet, only option, or both? Biopharma R&D turns to AI.